RAG / 检索增强生成

A Systematic Framework for Enterprise Knowledge Retrieval: Leveraging LLM-Generated Metadata to Enhance RAG Systems

企业知识检索的系统框架：利用LLM生成的元数据增强RAG系统

Pranav Pushkar Mishra, Kranti Prakash Yeole, Ramyashree Keshavamurthy, Mokshit Bharat Surana, Fatemeh Sarayloo

机构 * University of Illinois Chicago（伊利诺伊大学芝加哥分校） 纠错

专题命中 检索器与排序 ：RAG(title,abstract)；knowledge retrieval(title)；retrieval-augmented generation(abstract)；分类 cs.IR、cs.AI

AI总结 本文提出一种系统性的元数据增强框架，利用大语言模型提升RAG系统的文档检索性能，通过实验验证元数据增强对检索精度和排名质量的提升效果。

Comments Accepted to 2026 IEEE Conference on Artificial Intelligence (CAI). 8 pages, 1 figures, 9 tables

CQ-CiM: Hardware-Aware Embedding Shaping for Robust CiM-Based Retrieval

CQ-CiM: 面向鲁棒CiM基于检索的嵌入形状化

Xinzhao Li, Alptekin Vardar, Franz Müller, Navya Goli, Umamaheswara Rao Tida, Kai Ni, Xiaobo Sharon Hu, Thomas Kämpfe, Ruiyang Qin

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；RAG(abstract)；vector search(abstract)

AI总结 本文提出CQ-CiM框架，通过联合学习压缩与量化生成兼容多种CiM设计的低比特嵌入，解决RAG中高精度高维嵌入与CiM低精度低维约束的矛盾。

Comments Accepted by DAC'26

MA-SAPO: Multi-Agent Reasoning for Score-Aware Prompt Optimization

MA-SAPO：多智能体推理用于评分感知提示优化

Wonduk Seo, Juhyeon Lee, Junseo Koh, Wonseok Choi, Hyunjin An, Jian Park, Seunghyun lee, Haihua Chen, Yi Bu

机构 * Enhans ； Peking University（北京大学） ； Fudan University（复旦大学） ； University of North Texas（北德克萨斯大学） 纠错

专题命中 检索器与排序 ：retrieval-augmented generation(abstract)；分类 cs.IR、cs.CL、cs.AI

AI总结 本文提出MA-SAPO框架，通过多智能体推理将评估结果与针对性改进联系起来，提升提示优化的可解释性和可控性，实验表明其在多个评估指标上优于现有方法。

Comments Preprint